AI复购策略提示词怎么写：从准备到验证的实操教程

知识分享

2026-10-22 06:40

5 阅读

AI 复购策略提示词的核心作用，是把用户历史行为、商品信息和运营目标整理成模型能理解的任务描述，让模型输出可执行的复购动作建议。
它适合已经有基础订单数据、但缺少策略分析人力的中小电商团队。
下面按准备数据、编写提示词、调用模型、验证效果和避坑的顺序讲清楚。

先明确你要模型解决哪类复购问题

复购策略提示词不是越复杂越好，先确定一个具体场景，比如“针对 30 天未复购用户生成召回话术”或“根据购买品类推荐下一次促销组合”。
场景越具体，提示词越容易写，模型输出也越稳定。

准备阶段需要三样东西：

一份用户行为数据，至少包含用户 ID、最近购买时间、购买品类、客单价和购买频次。
一个可调用的模型接口，比如兼容 OpenAI 格式的 API，或者本地部署的推理服务。
一个验证标准，比如召回话术的点击率、人工评分或 A/B 测试结果。

如果数据里缺少最近购买时间，先补上这个字段，否则模型无法判断复购窗口。

编写提示词时把变量和规则分开

提示词建议分成三段：角色说明、输入数据、输出格式。
角色说明用一句话固定任务，输入数据用占位符表示，输出格式要求模型返回 JSON 或固定字段，方便后续程序处理。

下面是一个可复用的提示词模板，保存为 prompt_template.txt：

你是一名电商复购策略助手。根据以下用户信息，生成一条召回建议。
用户ID：{user_id}
最近购买距今天数：{days_since_last_order}
历史购买品类：{categories}
平均客单价：{avg_order_value}
输出要求：返回 JSON，字段包括 reason（召回理由）、channel（建议渠道）、message（召回话术），不要输出其他内容。

注意占位符用花括号，不要和 JSON 本身的花括号冲突。
如果模型接口支持系统消息，把角色说明放在 system 消息里，用户数据放在 user 消息里，效果更稳定。

用脚本批量调用并保存结果

零基础用户可以用 Python 调用 API。
先安装依赖：

pip install openai

然后写一个最小调用脚本 run_prompt.py，把模板读入并替换变量：

from openai import OpenAI

client = OpenAI(api_key="你的API_KEY", base_url="你的接口地址")

def build_prompt(user):
    with open("prompt_template.txt", "r", encoding="utf-8") as f:
        tpl = f.read()
    return tpl.format(
        user_id=user["user_id"],
        days_since_last_order=user["days_since_last_order"],
        categories=",".join(user["categories"]),
        avg_order_value=user["avg_order_value"]
    )

user = {"user_id": "U1001", "days_since_last_order": 45, "categories": ["咖啡", "杯子"], "avg_order_value": 128}
resp = client.chat.completions.create(
    model="你的模型名",
    messages=[{"role": "user", "content": build_prompt(user)}],
    temperature=0.3
)
print(resp.choices[0].message.content)

运行 python run_prompt.py，如果返回一段 JSON 字符串，说明调用成功。
如果报错 AuthenticationError，检查 API_KEY 和 base_url 是否匹配；
如果报错 model not found，确认模型名在服务商控制台里存在。

批量处理时，把用户数据放在 CSV 里，逐行替换模板并调用，每次调用后 sleep 0.5 秒，避免触发频率限制。

验证输出是否可用

拿到模型返回后，先做三项检查：

JSON 能否正常解析，字段是否齐全。
召回理由是否和用户数据一致，比如 45 天未购买的用户不应推荐“新客首单”。
话术是否包含具体动作，比如“领取 10 元券”比“欢迎回来”更可执行。

可以人工抽检 20 条，统计合格率。
如果合格率低于 70%，优先调整提示词里的输出格式和约束条件，而不是直接换模型。

常见坑和规避方法

提示词里不要放太多无关信息。 用户地址、手机号等敏感字段不要传给模型，既降低风险也减少干扰。

温度参数不要设太高。 复购策略需要稳定输出，建议 temperature 设在 0.2 到 0.4 之间。

输出格式要强制。 如果模型返回多余解释，在提示词末尾加一句“只返回 JSON，不要输出 Markdown 代码块”，并在程序里做容错解析。

批量调用注意限流。 免费额度或低配接口容易触发 429 错误，遇到后降低并发或增加间隔。

上线前做一个小范围对照测试

不要直接全量使用模型生成的召回话术。
选 100 个用户，50 个用模型建议，50 个用原有策略，观察 7 天内的点击或复购数据。
如果模型组没有明显优势，先回看提示词是否缺少关键字段，比如优惠敏感度或品类偏好。

提示词不是一次写完就固定，建议每次调整只改一个变量，保留旧版本，方便对比效果。

几个常见疑问

没有技术团队能直接用吗？ 可以先用在线表格加手动调用验证提示词效果，确认话术可用后再考虑脚本批量处理。

提示词需要多长？ 覆盖用户关键字段和输出格式即可，通常 100 到 300 字足够，太长反而容易让模型忽略重点。

模型返回的 JSON 解析失败怎么办？ 先在提示词里强调只返回 JSON，再在代码里用正则提取第一个 { 到最后一个 } 之间的内容做兜底。

复购策略提示词能直接提高复购率吗？ 提示词只负责生成建议，实际效果取决于数据质量、渠道触达和优惠力度，需要配合测试验证。

AI留存分析提示词怎么写？零基础实操指南与避坑

AI私域运营提示词实战：从零搭建可复用的客户触达话术